本文旨在创建一个深度学习框架，能够估计直接配准腹部 MRI 和 CT 图像的变形矢量场（DVF）。该方法以可微分形变为基础，利用从概率可微形变配准模型提取的保持拓扑特征来准确获取腹部运动，并将其用于 DVF 估计。该模型通过将在运动追踪中表现优越的 Swin transformers 集成到卷积神经网络（CNN）中进行形变特征提取。模型运用交叉模态图像相似度损失和表面匹配损失进行优化。计算图像损失时，采用变形 MRI 和 CT 图像之间的模态无关邻域描述符（MIND）。表面匹配损失通过测量 MRI 和 CT 图像的轮廓结构的变形坐标之间的距离来确定。将变形后的 MRI 图像与 CT 图像在目标配准误差（TRE）、Dice 相似系数（DSC）和平均表面距离（MSD）方面进行评估。与仅刚性配准相比，采用该方法的变形图像配准导致肝脏和门静脉的平均 DSC 值分别从 0.850 和 0.628 增加到 0.903 和 0.763，肝脏的平均 MSD 从 7.216 mm 降低到 3.232 mm，TRE 从 26.238 mm 降低到 8.492 mm。基于可微分变换器的提出的可变形图像配准方法为从腹部 MRI-CT 图像对生成精确的 DVF 提供了一种有效和高效的方式，可用于目前的肝脏放射治疗计划流程。

May, 2024

利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

Mar, 2024

基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架，通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割，表明该方法优于现有的五种 scribble 辅助方法。

Sep, 2023

应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

Sep, 2023

使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

Sep, 2023

提出了一种名为 MRISegmentator 的 T1 加权腹部 MRI 序列的自动、准确和可靠的 62 个脏器和结构的分割工具，具有加速疾病诊断、放射治疗和异常检测等临床研究的潜力。

May, 2024

该研究旨在探讨质量和数量之间的平衡，以创建适用于医学 CT 扫描的多器官分割统一方法，并产生大量精确的虚拟模型。通过使用具有完全标签的 XCAT 数据集，我们比较了两种分割结构，选择了表现更好的 3D-Unet 模型，并使用此模型生成了少量标签来使 CT-ORG 数据集也可用于训练。实验结果表明，应该以质量为重来提高分割模型的性能。

Mar, 2022

本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

Aug, 2019

本研究介绍了一种新的体系结构，可实现直接从三维图像体积转换为三维表面，无需后处理并具有比当前方法更好的准确性，证明其优于最先进的分割方法。

Dec, 2019

提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

May, 2024